通过对通信信号的识别和分析处理,能够对接下来的信息处理与应用提供更多的信息,在军事侦察、电子对抗、无线网络安全、机器人工智能等方面具有非常重要的意义。通信信号的调制方式是其较为重要的一项技术特征,识别出通信信号采用哪种方式进行调制能够为信号的进一步分析处理提供依据。在非协作通信中,信号调制模式识别作为信号检测和信号解调的中间步骤,是信号分析处理的关键一步。随着通信技术的日益发展,通信信号的种类越来越多样,信号环境也越来越复杂。因此找到一种高效可持续的自动信号识别技术成为研究热点。在信号调制方式识别的任务中,利用多重分形谱特征可以实现有效识别。首先,对接收到的信号进行采样处理,得到信号数据的一个离散序列。然后,将此序列放入到一个m维欧式空间的到一个点集。通过分析此点集内各点距离分布情况,得到关联积分。关联积分曲线近似直线段的斜率代表了信号的多重分形谱特征,不同的斜率代表不同的信号。仿真结果表明,利用此特征可以有效区分调制信号。通过提取信号的瞬时特征,利用神经网络同样可以实现波形识别。首先产生数字调制信号并打好标签得到样本库。然后,计算出信号的五种瞬时特征,并将其存入特征矩阵,用作BP神经网络的训练数据集。建立好一个前向神经网络,设置好网络参数,进行训练后,可用作识别。试验结果表明,此系统可在较高信噪比的条件下,实现94%以上的识别准确率。将深度学习与信号调制方式识别结合,可以提高通信信号的识别效率。本文将软件无线电平台与深度学习结合,先利用软件无线电平台产生发射信号,接收机采集后打上标签将其存储,可建立波形库。然后设计出一个由两个卷积层(Conv)和一个全连接层组成的深度学习识别模型,第一个卷积层卷积核的大小为2*5,第二个卷积层卷积核大小为1*5,最后全连接层输出6位的向量,表示6种调制信号类别的概率。此模型经软件无线电平台产生的数据集训练后,可用于波形识别。实验表明,此方法在建好信噪比的环境下可实现98%以上的识别准确率。